AnthropicClaudeMythosPreview将AMDMI355X适配周期从12个月缩短至3天,自主编写近100%内核代码
Anthropic 宣布其 Claude Mythos Preview 模型仅用约3天时间完成对 AMD MI355X GPU 的软件适配,大幅压缩传统工程所需6–12个月周期。该模型自主编写了几乎全...
Anthropic 近日向 IPO 投资者披露了一项关键技术进展:其内部代号为 Claude Mythos Preview 的 AI 模型,在约三天内完成了将自家大语言模型适配至 AMD MI355X GPU 的全部软件工作,且“基本无需人工干预”。这一过程过去依赖数十名工程师协作,耗时长达6至12个月。
该成果聚焦于“提示词处理”(prompt processing)环节——即模型推理阶段的核心计算负载——在 AMD MI355X 上实现了“可用性能水平”的稳定运行。Mythos Preview 不仅完成适配,还自主编写或移植了“近100%的计算内核”(kernels)。这些低层代码是连接 AI 模型与特定硬件架构的关键桥梁,长期被视为 NVIDIA CUDA 生态壁垒的重要组成部分。
Anthropic 联合创始人兼首席算力官 Tom Brown 在投资者沟通中强调,传统方式需动用“数十名工程师”组成专项团队,而 Mythos Preview 的自动化能力使其效率跃升一个数量级。他指出,公司早在早期就做出“非传统押注”:构建跨平台统一算力池,支持 NVIDIA GPU、AMD GPU、Google TPU 及 AWS Trainium 等多种加速器,并将其抽象为“可互换的算力资源池”。这一策略如今正显现价值——例如 Google TPU 已原生支持 PyTorch 模型,Meta 也在生产环境中部署 TPU。
值得注意的是,Anthropic 所称的“6–12个月”并非理论估算,而是基于其历史经验:在采用传统工程方法引入新型加速器时,针对每种硬件定制底层代码始终是最大瓶颈。这种高门槛不仅限制了厂商选择自由,也强化了对单一生态(如 CUDA)的路径依赖。
此次适配对象为 AMD 最新数据中心 GPU MI355X,属于 CDNA 3 架构产品,面向生成式 AI 推理优化。尽管 AMD 提供了 ROCm 开源软件栈及 HIP(Heterogeneous-Compute Interface for Portability)作为 CUDA 的兼容层,但实际落地仍需大量手工调优——尤其在算子融合、内存布局、张量核心调度等细节层面。Mythos Preview 的介入,实质上将这部分工程劳动转化为 AI 驱动的自动编码任务。
根据 Anthropic 提供的时间对比图(见下图),传统路径呈缓慢爬升曲线,历时半年以上;而 Mythos 方案以近乎垂直的速度在3天内达成目标性能阈值。图中明确标注:红色区域代表 Mythos 预览版实现的 ~3 天周期,绿色区域对应历史经验中的 ~6–12 个月周期,横轴为“新芯片上线所需时间”,纵轴为进度完成度。
这一进展背后,反映的是 AI 基础设施开发范式的根本性转变。过去,硬件厂商通过提供成熟编程模型(如 CUDA)锁定开发者生态;如今,具备强大代码生成与推理能力的大模型,正反向“破解”硬件适配壁垒。当一个 AI 模型能自主产出适配特定芯片的高性能内核,硬件选择便不再受限于软件支持进度,而更接近纯粹的采购决策。
Anthropic 已于今年启动与 AMD 的实质性合作,双方达成协议,未来将部署最多达 2 吉瓦(GW)算力规模的 AMD GPU 集群。此举标志着其多芯片战略进入落地阶段,也意味着行业正加速摆脱对单一供应商的深度绑定。
从产业影响看,NVIDIA 的 CUDA 护城河虽仍深厚——其生态已积累超百万开发者、数千优化库与工具链——但 Mythos Preview 展示的路径表明,护城河的“宽度”正在被 AI 自动化能力逐步收窄。尤其对于头部 AI 公司而言,若能复现类似能力,即可在数周内完成对新硬件的评估与集成,极大提升算力弹性与成本控制能力。
需要澄清的是,Mythos Preview 并非通用型产品,而是 Anthropic 内部用于基础设施开发的专用模型。其能力集中于生成高性能计算内核,而非通用编程或应用开发。目前尚未公开其训练数据、架构细节或是否开源,但其效果已在 MI355X 上得到验证。
此外,该成果尚处于“预览”(Preview)阶段,仅覆盖单个模型的提示处理流程,未涉及训练、量化、分布式通信等更复杂环节。完整适配仍需人工校验与系统级集成,但核心瓶颈已被突破。
在更宏观层面,这一事件呼应了近期多个技术动向:Google DeepMind 的 AlphaCode 2 可生成竞赛级代码;Meta 的 Code Llama 系列持续提升专业编程能力;微软与 OpenAI 正推动“AI 编程助手”嵌入 DevOps 流程。当 AI 不仅能理解需求,还能直接产出可执行、高性能的底层代码,软硬件协同的开发周期或将整体压缩一个量级。
对芯片厂商而言,这意味着竞争焦点正从“硬件参数”转向“软件友好度”与“AI 友好度”。能否为大模型提供清晰、结构化的硬件接口文档,是否支持自动化工具链接入,将成为影响生态采纳速度的新变量。AMD 此次借助 Mythos 实现快速适配,某种程度上也是对其 ROCm 生态开放性的正向反馈。
值得留意的是,Anthropic 强调其多芯片策略是“早期非常规赌注”,但如今看来颇具前瞻性。随着算力需求持续攀升,单一供应商难以满足所有场景——例如 TPU 在 Transformer 推理中具能效优势,Trainium 在 Amazon 内部生态中深度整合,而 AMD GPU 则在性价比与开放性上提供替代选项。统一算力池架构使 Anthropic 能动态调配资源,应对不同任务负载。
短期来看,Mythos Preview 的能力尚局限于特定任务与硬件组合;中长期则可能催生新一代“AI 基建工程师”角色:人类负责定义目标与验证结果,AI 负责生成与优化实现路径。这种人机协作模式,或将重塑整个 AI 基础设施的构建逻辑。
目前,Anthropic 未公布 Mythos Preview 的更多技术细节,也未说明是否会将其能力扩展至其他芯片平台(如 Intel Gaudi 或寒武纪 MLU)。但可以确定的是,硬件适配周期的指数级缩短,已不再是理论设想,而成为现实中的工程实践。
行业观察者指出,若此类自动化适配能力普及,将加速异构计算生态的多元化进程。NVIDIA 仍凭借先发优势占据主导,但其“软硬一体”模式正面临来自 AI 自动化能力的结构性挑战。真正的护城河,或许不再只是专利与架构,而是持续迭代的 AI 工具链本身。
